基于关系聚合的时序知识图谱表示学习

针对静态知识图表示方法不能对时间进行建模的局限性，从时序图谱实际应用的需求出发，设计了基于关系聚合的时序图谱表示学习方法来描述和推理动态知识图谱的时间信息.与离散的快照时序网络不同，将时间信息视为实体间的链接属性，提出利用时间感知的关系图注意力编码器来学习时序图谱的实体表征.将中心节点的邻域关系和时间戳融入图结构中，然后分配不同的权重，高效地聚合时间知识.在公开的时序知识图谱数据集上运行，结果表明,与传统的时序图谱编码框架相比,面向注意力聚合的时序图谱表示学习方法在补全和对齐任务的性能上都有较强的竞争优势,尤其对高时间敏感度实体更加显著，体现出算法的优越性和强鲁棒性.     

概率条件下基于双目标交替优化的知识表示模型

针对TransD模型参数多和实体两种表示间没有关联的问题，提出一种改进的知识表示模型PTransD。通过减少实体投影数,并对实体进行聚类来减少参数量，同时利用K-L(Kullback-Leibler)散度限制实体投影和对应实体类，使其概率分布相同。在模型训练时，对三元组损失和K-L损失交替优化，从类间距大的实体类中替换实体，提高负例质量。最后，在知识图谱数据集上进行三元组分类和链接预测实验。结果表明，该模型的性能在各项指标上均有明显提高，可以应用于知识图谱的完善和推理等。     

基于知识图谱推理的网络攻击识别方法

针对在海量网络数据中识别网络攻击的问题，运用知识图谱推理能力，提出了基于知识图谱推理的网络攻击识别方法。首先利用Turtle文件解析算法将ttl格式文件解析为能够应用于知识嵌入模型的形式；其次，构建系统状态本体，为不同的系统状态实例提供统一的上层描述，提高利用网络安全知识图谱分析系统状态的可行性；最后，利用基于TransH模型得到图模型中的各类实例数据的嵌入表示，并从候选攻击模式中推理潜在的网络攻击行为。通过实验进一步验证了所提方法的可行性和有效性。     

融合文本描述和层次类型的知识表示学习方法

现有的知识表示方法只考虑三元组本身或一种额外信息，没有充分利用外部信息对知识表示进行语义补充，为此提出一种融合文本描述信息和层次类型信息的知识表示学习方法.使用卷积神经网络(CNN)从文本中提取特征信息；使用基于注意力机制的卷积神经网络区分不同关系的特征可信度，以增强实体关系结构向量在现有知识图谱中的表示，获得丰富的语义信息；使用加权层次编码器来构造层次类型投影矩阵，将实体的所有层次类型投影矩阵与特定关系类型约束结合起来.在WN18、WN18RR、FB15K、FB15K-237和YAGO3-10数据集上,进行链接预测和三元组分类等任务，以分析和验证所提模型的有效性.实验结果表明:在实体预测实验中，所提模型与TransD模型相比，MeanRank(Filter)降低了11.8%,Hits@10提升了3.5%；在三元组分类实验中，所提模型的分类精度比DKRL模型提高了8.4%，比TKRL模型提升了8.5%，充分证明利用外部多源信息能够提高知识表示能力.     

基于Transformer和知识图谱的新闻推荐新方法

为了增加新闻推荐的辅助信息并提高预测精度,提出基于Transformer和知识图谱的新闻推荐方法.为了结合新闻语义信息和实体信息,利用自注意力机制获取新闻单词之间和新闻实体之间的联系,采用加法注意力机制捕捉单词和实体对新闻表示的影响.考虑到用户对新闻的偏好具有时序性特点,引入Transformer以捕捉用户点击新闻间的关联信息及用户兴趣随时间的变化情况.利用知识图谱中的高阶结构信息,融合候选新闻邻接实体,提升候选新闻嵌入向量所含信息的完整性.在2个版本的MIND新闻数据集上与5个典型推荐方法的对比实验表明,注意力机制、Transformer和知识图谱的引入提高了算法在新闻推荐方面的表现.     

融合GAT和TransH的中韩跨语言实体对齐方法研究

为研究中韩双语实体自动对齐方法,提出了一种融合图注意力网络(GAT)和基于超平面平移的知识图谱嵌入模型(TransH)的跨语言实体对齐模型.使用中韩实体数据集对模型进行验证表明,该模型的Hits@1、Hits@5和Hits@10在韩文对齐中文时分别达到了49.62%、 80.89%和91.76%, 在中文对齐韩文时分别达到49.79%、 80.74%和91.67%, 且优于传统的基于知识嵌入或图嵌入的对齐方法.因此该模型可为构建中韩对齐知识图谱以及其他语言的对齐知识图谱提供参考.     

关系生成图注意力网络的知识图谱链接预测

针对实体邻域三元组缺少联系的问题,提出基于关系生成图注意力网络(RGGAT)的知识图谱链接预测方法. 利用不同类型的关系生成相应的注意力机制参数,邻域三元组按照关系类型使用对应的参数计算注意力系数. 实体通过聚合以关系为主导的邻域三元组信息得到更丰富的嵌入向量. 在训练过程中对编码器和解码器进行共同训练,将编码器更新的实体向量和关系向量直接输入到解码器中,保证编码器和解码器训练目标一致. 在3个公开数据集上进行链接预测实验,对比实验选用目前主流的5个模型作为基线. RGGAT方法在3个数据集上的Hits@10能达到0.519 8、0.510 4和0.973 9,高于传统图注意力网络嵌入方法的. 在邻域聚合阶数对比实验中,1阶关系邻域聚合的方法相比2阶关系在Hits@10上提升3.59%.     

基于知识表示学习的知识图谱补全研究综述

知识图谱补全能够将知识图谱补充完整,是知识图谱领域的一个研究热点。基于知识表示学习的知识图谱补全学习知识的向量表示,利用向量的计算挖掘知识图谱中的隐藏关联,具备更高的计算效率和更强的泛化能力,是知识图谱补全最好的方案之一。首先,介绍知识图谱补全和知识表示学习的概念;其次,按照实体和关系是否固定分别介绍静态知识图谱补全和动态知识图谱补全,对两个不同场景下各类算法的思路及改进过程进行详细说明;最后,总结知识图谱补全研究现状并展望未来研究方向。     

一体化应急应战体系能力评估关键指标提取技术框架研究

面向一体化应急应战体系能力评估需求,传统基于指标体系构建聚合的评估方法具有指标提取困难、主观性强、海量动态数据难以描述等限制。提出一种数据驱动的体系评估技术框架结构,通过融合知识图谱和事理图谱两类技术,实现体系静态知识和动态知识的全面描述;通过实体、事件、关系等图谱要素数据自动抽取,实现体系框架的高效构建和持续更新;通过提供热点主题发现跟踪和态势评估预测等技术设计,实现可管理、可计算、可解释的一体化应急应战体系能力评估;通过一个有限场景的仿真实验,验证了本技术框架的可行性。     

融合知识图谱的医疗领域命名实体识别

为了改善通用预训练模型不适应医疗领域的命名实体识别任务这一不足，提出了一种融合医疗领域知识图谱的神经网络架构，该架构利用弹性位置和遮盖矩阵使预训练模型计算自注意力时避免语义混淆和语义干扰，在微调时使用多任务学习的思想，利用回忆学习的优化算法使预训练模型均衡通用语义表达和目标任务的学习，最终得到更为高效的向量表示并进行标签预测。实验结果表明：本文提出的命名实体识别架构在医疗领域上取得了优于主流预训练模型的效果，在通用领域也有较为良好的效果。该架构避免了重新训练针对某个领域的预训练模型和引入额外的编码结构从而精简了计算代价和模型大小。此外，通过消融实验对比，医疗领域对于知识图谱的依赖程度较通用领域依赖程度更大，这说明在医疗领域中融合知识图谱方法的有效性。通过参数分析，证明本文使用回忆学习的优化算法可以有效控制模型参数的更新，使模型可以保留更多的通用语义信息并得到更符合语义的向量表达。本文也通过实验分析说明了所提方法在实体数量少的种类上具有更优的表现。     

层次匹配范例推理在短期负荷预测中的应用

提出了一个改进的范例推理系统来解决电力系统短期负荷预测问题,该系统将范例推理、自组织映射以及模糊粗糙集方法进行了有效的结合.使用模糊粗糙集方法确定了范例的表示、组织方法，并通过自组织映射对历史范例进行聚类.将新问题所对应的范例与各个聚类中心进行匹配，得到最相似聚类，再在该聚类中进行二次匹配，对得到的最相似范例集进行重用、修正，从而得到最终预测结果.使用模糊粗糙集方法可以进行范例属性和匹配权重的合理选择，同时使用自组织映射对历史范例进行聚类，可以减少范例匹配次数和匹配时间.使用该方法不仅可以合理利用历史范例，而且可以通过属性选取、聚类来获取附加知识.实例验证和比较结果表明该负荷预测方法是有效可行的.     

基于EHR的医疗知识图谱研究与应用综述

电子健康记录(EHR)作为一种医疗信息化手段,在数十年的使用过程中储存和积累了越来越多的医疗过程和结果大数据.知识图谱作为一种从海量数据中抽取结构化知识的手段,近年来在多个行业展示了广阔的应用前景.知识图谱的优势在于对海量、异构的数据进行组织,完成知识推理.知识图谱适用于自然语言的分析,有助于在以自然语言形式存在的海量EHR数据中获得宝贵的医疗知识和医疗经验. EHR分析研究的价值主要集中在辅助诊断、辅助治疗和疾病预测.利用大量的EHR数据构建医疗知识图谱,当新的患者数据来临之时,知识图谱可以发挥查询扩展、临床决策支持和疾病预测等作用.本文首先简要介绍了EHR的发展现状,以及现有著名的EHR数据集及其应用成果.其次,在概括介绍知识图谱发展总体现状基础上,分析了知识图谱在医疗领域的发展趋势和热点迁移.然后,对基于EHR的医疗知识图谱研究与应用进展进行了比较全面的总结,包括EHR的信息抽取、数据整合、查询扩展、临床决策支持和疾病预测等.最后,对该领域未来发展方向和面临的挑战作了展望.     

徽派建筑知识图谱的半自动化构建

本文针对徽派建筑数据异构多源和非结构化的特点,提出一种BiLSTM-CRF模型与徽派建筑词典相结合的命名实体识别方法,利用先验知识的辅助作用,提升实体识别效果,完成对建筑实体进行的识别抽取.利用Neo4j图数据库存储知识,用属性图模型表示知识.最后使用Neo4j图数据库对构建的徽派建筑知识图谱进行了可视化展示.研究结果表明,此方法能够有效地构建徽派建筑领域知识图谱,为今后徽派建筑知识智能化推荐和搜索系统研究奠定基础.     

基于故障树的混凝土施工故障诊断专家系统

在混凝土施工中引入故障诊断专家系统可以指导施工人员快速准确地排除各种施工故障。概述了故障诊断和故障树的基本方法；详细阐述了利用混凝土专家知识建立故障树模型以及采用代码表示法和静态指针法相结合的方法在数据库中实现故障树模型的过程；采用正向推理的推理策略实现了该系统。     

基于本体特征的汽车领域命名实体识别

针对汽车领域命名实体识别中汽车属性名识别的准确率和召回率较低的问题,提出了一种基于本体特征的汽车领域命名实体识别方法。通过扩展现有叙词表,基于叙词表构建汽车领域本体,提取语料中的本体特征,利用CRFs模型对汽车领域命名实体进行识别。实验结果表明,本体特征能够有效地识别出汽车属性实体,准确率、召回率和F值分别为75.60%,66.12%和70.54%。     

经济预测方法选择专家系统的设计与开发

预测方法是建立预测模型的基础.因此,如何根据特定的预测对象选择适当的预测方法,是经济预测工作获得成功的关键.本文提出用知识工程方法解决经济预测方法选择的一条途径.为此,本文全面地总结了影响预测方法选择的各种因素,综合分析了这些因素与15种经济预测方法的关系,建立了知识推理网络.经济预测方法选择专家系统(简称EFM)的知识库由规则集和事实构成,共121条规则;推理机采用反向、不精确推理控制策略.该系统的开发可大大提高预测方法选择的准确性和快速性.     

基于新冠肺炎知识图谱的智能问答系统研究

为了能够提供实时的新冠疾病咨询服务,本研究将新冠肺炎知识图谱以百科网站作为主要知识来源,利用中文分词、命名实体识别、依存句法分析和Neo4j图数据库等关键技术,初步实现了基于新冠肺炎知识图谱的智能问答系统.另外基于BERT-BiLSTM-CRF模型,设置了BIO和BIOE 2种标注方案对医疗命名实体识别结果影响的对比实验,验证了BIOE标注方案的优越性,其总评测结果F1值高达97％.     

基于路径排序算法的STEP知识推理技术研究

设计语义的形式化表达和推理是产品设计语义交换的关键。针对产品信息交换中设计语义知识挖掘需求,以STEP AP242为基础,构建产品三维几何信息与非几何信息语义关联的STEP知识图谱。在知识图谱的基础上,提出了基于路径排序算法的STEP特征知识推理技术。同时,结合基于三维产品信息可视的知识图谱平台实例进行论证。实现复合产品特征的推理以及STEP设计语义知识提取和交换。实证结果表明:所提方法能有效推理出产品信息中设计语义信息。     

移动机器人动态避障算法

把滚动规划和径向基函数神经网络（RBFNN）预测相结合，提出一种动态不确定环境下移动机器人局部路径规划过程中，针对动态障碍物的新的混合避障算法.利用摄像镜头采集动态障碍物的移动轨迹，提取形心序列，利用RBFNN建立预测模型.在移动机器人实时规划时，根据当前位置在超声波传感器的扫描范围内建立滚动窗口.当检测到动态障碍物进入滚动窗口以后，才开始进行预测计算.根据动态障碍物相邻时刻的三个时间序列值，来预测障碍物下一时刻的运动轨迹，从而把动态障碍物的避障问题转化为瞬时静态障碍物的避障问题，实现实时规划.这种算法能够提高动态避障的安全性和规划的实时性.仿真结果证明了算法是可行、高效的.     

静态与动态相结合的Web服务组合方法

在当前Web服务动态组合研究基础上,提出了一种静态与动态相结合的Web服务组合方法.该组合方法是通过动态方式组合的组合服务正确执行结束之后,该组合服务作为静态组合服务模板保存到静态组合库中,当用户再次使用该组合服务时,在静态组合库中检索匹配的模板直接执行,从而避免重复动态组合服务的过程,提高了系统服务效率.